НЕЙРОМЕРЕЖЕВА ОПТИМІЗАЦІЯ ФІСКАЛЬНО-ПОДАТКОВОГО НАВАНТАЖЕННЯ ЯК ЕЛЕМЕНТ ЦИФРОВІЗАЦІЇ ЕКОНОМІКИ РЕГІОНУ
Ключові слова:
нейронна мережа, нейромережева оптимізація, фіксально-податкове навантаження, цифровизація, економіка регіону
Анотація
Метою статті є розробка технології побудови нейромережевих моделей автоматичного моніторингу стану податкового навантаження для досягнення оптимального балансу між можливістю розвитку успішного бізнесу та достатнім наповненням регіонального бюджету. Методика. Для проведення досліджень був використаний багатошаровий персептрон, застосований алгоритм зворотного поширення, а також технологія нейроуправленія. Результати. Проведена автоматизація процесу визначення елементів вектора градієнта при реалізації традиційного методу зворотного поширення помилки за допомогою застосування технології нейроуправління. Наукова новизна. Вперше запропоновано рішення оптимізації фіскально-податкового навантаженням регіону з застосуванням алгоритму зворотного поширення. Практичне значення. Використання запропонованої методики дозволить створити програмний інструментарій для переходудо автоматичної системи оптимального управління економікою.Завантаження
Дані про завантаження поки що недоступні.
Посилання
1. Алёшин С. П. Нейросетевой базис поддержки решений в пространстве факторов и состояний высокой размерности / Полтава : Скайтек, 2013. – 208 с.
2. Алёшин С. П. Нейросетевой контроллинг динамики процессов как пространства состояний высокой размерности / С. П. Алёшин, Е. А. Бородина // Вестник РГУПС. – 2013. – № 4. – С. 35 – 42.
3. Хайкин С. Нейронные сети : Полный курс / С. Хайкин. – М.: Вильямс, 2006. – 1104 с.
4. Бусленко Н. П. Моделирование сложных систем / Н. П. Бусленко. – М.: Наука, 1978. – 400 с.
5. Галушкин А. И. Нейрокомпьютеры и их применение на рубеже тысячелетий в Китае / А. И. Галушкин. – М.: Горячая линия – Телеком, 2004. – 464 с.
6. Нейросетевое распознавание классов в режиме реального времени [Электронный ресурс] / С. П. Алёшин, Е. А. Бородина // Инженерный вестник Дона. – 2013. – № 1. – Режим доступа: http://www. ivdon.ru/magazine/archive/n1y 2013/1494.
7. Нейросетевая модификация текущего пространства признаков к целевому множеству классов / А. Л. Ляхов, С. П. Алёшин, Е. А. Бородина // Вісник Донбаської державної машинобудівної академії. – 2012. – № 4 (29). – С. 99 – 104.
2. Алёшин С. П. Нейросетевой контроллинг динамики процессов как пространства состояний высокой размерности / С. П. Алёшин, Е. А. Бородина // Вестник РГУПС. – 2013. – № 4. – С. 35 – 42.
3. Хайкин С. Нейронные сети : Полный курс / С. Хайкин. – М.: Вильямс, 2006. – 1104 с.
4. Бусленко Н. П. Моделирование сложных систем / Н. П. Бусленко. – М.: Наука, 1978. – 400 с.
5. Галушкин А. И. Нейрокомпьютеры и их применение на рубеже тысячелетий в Китае / А. И. Галушкин. – М.: Горячая линия – Телеком, 2004. – 464 с.
6. Нейросетевое распознавание классов в режиме реального времени [Электронный ресурс] / С. П. Алёшин, Е. А. Бородина // Инженерный вестник Дона. – 2013. – № 1. – Режим доступа: http://www. ivdon.ru/magazine/archive/n1y 2013/1494.
7. Нейросетевая модификация текущего пространства признаков к целевому множеству классов / А. Л. Ляхов, С. П. Алёшин, Е. А. Бородина // Вісник Донбаської державної машинобудівної академії. – 2012. – № 4 (29). – С. 99 – 104.
Опубліковано
2018-07-03
Як цитувати
Alyoshin S. Нейромережева оптимізація фіскально-податкового навантаження як елемент цифровізації економіки регіону / S. Alyoshin, E. Borodina // Системи управління, навігації та зв’язку. Збірник наукових праць. – Полтава: ПНТУ, 2018. – Т. 3 (49). – С. 88-92. – doi:https://doi.org/10.26906/SUNZ.2018.3.088.
Розділ
Інформаційні технології
This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License.
